Ai

Module AI — Intelligence Artificielle Neuro-Symbolique

Ce module implémente l’approche MBAIE (Model-Based AI Engineering) de RAISE. Il transforme le langage naturel en structures d’ingénierie formelles, valides et persistées.

🎯 Vision & Philosophie

L’IA de RAISE n’est pas un simple chatbot. C’est un opérateur qualifié qui agit sur le modèle.

Workstation-First : Par défaut, l’intelligence tourne localement (Mistral via Docker + Candle).
Dual Mode : Capacité à déborder sur le Cloud (Gemini Pro) pour les tâches complexes nécessitant un raisonnement supérieur.
Grounding (Ancrage) : L’IA ne répond jamais “dans le vide”. Elle est nourrie par le contexte réel du projet (json_db) via un système RAG Hybride.
Intégrité : Les actions de l’IA passent par les mêmes validateurs (x_compute, Schema Validator) que les actions humaines.
Simulation : Avant d’agir, l’IA “imagine” les conséquences de ses actions grâce à un World Model prédictif.

🏗️ Architecture Modulaire

Le module est divisé en quatre sous-systèmes interconnectés. Chaque sous-système possède sa propre documentation détaillée.

1\. Le Cerveau Exécutif (`agents/`)

Responsable de la compréhension sémantique et de la construction des commandes.

Intent Classifier : Analyse la demande (ex: “Crée un acteur”) et produit une structure Rust stricte.
Agents Spécialisés :
- SystemAgent : Crée/Modifie les éléments OA/SA (Acteurs, Fonctions).
- (Futur) SoftwareAgent, HardwareAgent.

2\. La Mémoire Contextuelle (`context/`)

Responsable de l’ancrage des réponses dans la réalité du projet.

RAG Hybride : Combine deux approches pour une précision maximale.
- Symbolique (SimpleRetriever) : Recherche exacte par mots-clés sur la structure du modèle en mémoire.
- Vectoriel (RagRetriever) : Recherche sémantique via Qdrant (base de données vectorielle) pour trouver des concepts similaires même sans mots-clés exacts.

3\. L’Infrastructure d’Inférence (`llm/`)

Responsable de la communication brute avec les modèles de langage.

Client Dual Mode : Interface unifiée ask() qui route vers Local ou Cloud.
Moteur Natif : Intégration de candle pour faire tourner des modèles légers (Llama/Mistral) directement dans le binaire Rust (sans Docker).

4\. Le World Model (`world_model/`) ✨

Responsable de la Simulation et de l’Apprentissage. C’est un “Jumeau Numérique Cognitif”.

Architecture JEPA : Pipeline Perception -> Représentation -> Dynamique.
Prédiction : Estime l’impact d’une action (Create, Delete) sur l’état latent du système.
Apprentissage : S’améliore en continu via le feedback utilisateur (reinforce_learning).

🔄 Flux de Données (Orchestration)

L’orchestration est gérée par l’AiOrchestrator qui coordonne le LLM (Verbe), le RAG (Mémoire) et le World Model (Intuition).

graph TD
    User[Utilisateur] -->|Input| Orch[Orchestrateur]
    subgraph "Mémoire (RAG Hybride)"
        Orch -->|Keyword Search| SR[Simple Retriever]
        Orch -->|Semantic Search| Qdrant[(Qdrant Vector DB)]
        SR & Qdrant --> Context
    end
    subgraph "Fast Path : Intuition"
        Orch -->|Action?| WM[World Model]
        WM -->|Simulation| Pred[Prédiction Latente]
        Pred -->|Info| Orch
    end
    subgraph "Slow Path : Raisonnement"
        Orch -->|Context + Prompt| LLM[LLM Agent]
        LLM -->|JSON Action| DB[(JSON-DB)]
    end
    subgraph "Feedback Loop"
        DB -->|Real State| Trainer[World Trainer]
        Trainer -->|Update Weights| WM
    end
    Orch -->|Réponse| User

🛠️ Points d’Entrée

1. Application GUI (Tauri)

L’utilisateur final interagit via le panneau de chat React.

Commande : ai_chat (Conversation).
Commande : ai_confirm_learning (Feedback pour le World Model).
Retour : Flux textuel ou confirmation d’action.

2. Outil Développeur (`ai_cli`)

Pour le test rapide, l’automatisation et le débogage sans interface graphique.

Localisation : src-tauri/tools/ai_cli.

📊 État d’Avancement (v0.2.0)

Composant	Statut	Description
LLM Client	✅ Stable	Support Local/Cloud, Gestion d’erreurs.
Classification	✅ Stable	Détection précise (Create vs Chat).
RAG Vectoriel	✅ Stable	Intégration Qdrant opérationnelle (`RagRetriever`).
System Agent	✅ Actif	Création d’éléments OA/SA.
World Model	🚀 Alpha	Simulation et Apprentissage (Backpropagation) actif.
Deep Learning	✅ Actif	Support `candle-nn` et sérialisation `.safetensors`.

Note aux contributeurs : Pour modifier la logique d’un agent, voir src/ai/agents. Pour ajuster la “physique” du cerveau IA, voir src/ai/world_model. Pour toucher à la base de données, passer par json_db::collections::manager.

Ai